Короткие и проверяемые определения терминов.
RAG (Retrieval-Augmented Generation) — это паттерн, где модель сначала извлекает релевантные внешние данные во время запроса, а затем генерирует ответ с их учетом. Ниже — простое объяснение, схема работы, примеры и ограничения.
Открыть →ReAct (Reasoning + Acting) — паттерн агентного взаимодействия, где модель чередует шаги рассуждения с вызовами инструментов и чтением наблюдений. Ниже — как он устроен, где применяется и чем отличается от фреймворковых API.
Открыть →Модель рассуждений (reasoning model) — это модель для сложных многошаговых задач. В статье — трактовка OpenAI: как работает reasoning.effort, чем отличаются GPT-5.6, o3-pro и gpt-oss и какие ограничения доступа важно проверить.
Открыть →Red teaming — структурированное тестирование ИИ для поиска уязвимостей, нежелательного поведения и рисков злоупотребления до и после релиза. Разбираем процесс, примеры, отличия от автоматических оценок и практические ограничения.
Открыть →Reranking, или переранжирование, — второй этап поиска и RAG: система не ищет новые документы, а пересортировывает найденных кандидатов по смысловой релевантности запросу.
Открыть →RLAIF — термин Anthropic для этапа обучения с подкреплением, где модель предпочтений строят по AI-сравнениям, а не по человеческой разметке. Разбираем схему, связь с Constitutional AI и отличия от RLHF.
Открыть →RLHF — это постобучение модели по человеческой обратной связи: люди сравнивают ответы, из этих предпочтений обучают reward model, а затем донастраивают саму модель. Ниже — канонический пайплайн, где он применяется и чем RLHF не является.
Открыть →